대규모 언어 모델 (LLMs) 및 에이전트 시스템 (agentic systems)은 임상 의사 결정 지원 분야에서 가능성을 보여주었으나, 기존 연구들은 대부분 증거가 이미 큐레이션되어 모델에 전달되어 있다고 가정합니다. 반면 실제 임상 워크플로우 (clinical workflows)에서는 에이전트가 이질적인 출처로부터 멀티모달 (multimodal) 증거를 능동적으로 탐색하고, 반복적으로 계획하며, 합성하는 능력을 요구합니다. 본 논문에서는 수동적인 증거 소비에서 능동적인 증거 획득으로 패러다임을 전환하는 동적 멀티모달 증거 탐색을 위한 자동화된 에이전트 프레임워크인 ClinSeekAgent를 소개합니다. ClinSeekAgent는 임상 질의 (clinical query)와 원시 데이터 소스에 대한 접근 권한만 주어지면, 의료 지식 베이스를 쿼리하고, 원시 전자 건강 기록 (EHRs)을 탐색하며, 의료 영상 도구를 호출함으로써 증거를 수집합니다. 또한 새로운 정보가 나타남에 따라 가설을 정교화하고, 수집된 증거를 근거 있는 임상 결정으로 통합합니다. ClinSeekAgent는 최첨단 LLMs를 위한 추론 시간 (inference-time) 에이전트이자, 고품질의 에이전트 궤적 (agent trajectories)을 컴팩트한 오픈 소스 모델로 증류 (distilling)하기 위한 학습 시간 (training-time) 파이프라인 역할을 수행합니다. 추론 시간의 효과를 검증하기 위해, 우리는 고정된 사전 선택 증거를 통한 큐레이션된 입력 (Curated Input) 추론과 원시 임상 데이터에 대한 자동 증거 탐색 (Automated Evidence-Seeking)을 쌍으로 구성한 ClinSeek-Bench를 구축했습니다. 텍스트 전용 EHR 작업에서 ClinSeekAgent는 Claude Opus 4.6의 전체 F1 점수를 60.0에서 63.2로, MiniMax M2.5를 43.1에서 47.3으로 향상시켰으며, 평가된 9개의 호스트 모델 중 7개에서 위험 예측 (risk-prediction) 이득을 보였습니다. 멀티모달 작업에서 ClinSeekAgent는 Claude Opus 4.6을 47.5에서 62.6으로 (+15.1) 향상시켰으며, 평가된 모든 모델이 세 가지 CXR 관련 작업 그룹 전반에서 개선되었습니다. 나아가 우리는 에이전트적 증거 탐색 궤적을 ClinSeek-35B-A3B로 증류함으로써 학습 파이프라인으로서의 ClinSeekAgent를 검증하였으며, 이는 기존 AgentEHR-Bench에서 평균 34.0 F1을 달성하여 Qwen3.5-35B-A3B 베이스라인보다 +11.9포인트 향상되었고 Claude Opus 4.6에 근접하는 성능을 보였습니다.